F5 Networks (NASDAQ: FFIV) 近日宣布推出"超级网络运营 (Super NetOps)计划",旨在帮助企业和更广泛的 IT 行业更有效地实施自动化、提升绩效水平、消除长期存在的技能缺口,并帮助 IT 专业人员通过 DevOps 方法交付关键网络运营功能。这是亚太地区首例类似培训计划。
在不断变化的威胁形势和多云环境下,人们对自动化应用服务交付方式的需求也与日俱增。这一对更高的 IT 基础设施内部效率的需求带来了关键技术和新兴技术专业技能的缺口 - 企业认为这是阻碍它们获得成功的关键因素 。
F5 Networks 中国日本和亚太地区高级副总裁 Adam Judd 表示:"根据多数客户的反馈,技能缺口是他们普遍面临的一个问题,尤其是在 NetOps 和 DevOps 团队的工作实践和协作中。由于对 IT 服务的需求超出了基于任务的人工方法的能力范围,F5 决定直面这一挑战,为企业提供合适的工具和培养优秀人才,帮助行业进一步发展。"
F5 全球"超级网络运营计划"旨在帮助参与者同时掌握关键和新兴网络技术技能,让网络运营 (NetOps) 社区与开发人员 (DevOps) 之间实现更紧密的协作,并推动基于任务的人工实践转向更高的自动化水平,从而确保持续的业务改进和投资回报。该计划已经在数百名 F5 客户中进行了试验,可有效帮助企业打破运营孤岛,将服务时间从几天缩短到几分钟,同时确保应用符合必要的法规要求、策略和性能标准。
F5"超级网络运营计划"采用视频教程结合实验室实践的形式,并专门根据亚太地区独特的文化差异进行了本地化。该计划的推出可谓恰逢其时,目前该地区各国政府正在出台政策弥补特定的技能缺口。例如,新加坡最近发布的 2018 年财政预算案强调了协同发展企业能力和人力资本的重要性 - 其中包括为发展各年龄段劳动者深层次技能而制定的多项计划 。
在接下来的几个月里,F5 将推出一项拓展课程,其中包括新兴 DevSecOps 角色须掌握的以安全为中心的自动化部署方法。其他特色主题还包括应用语言框架和第三方自动化工具链的实施。
Judd 补充说:"由于亚太地区的大多数企业都希望能够在 2020 年之前扩展其数字产品和服务,因此,网络运营专业知识比以往任何时候都重要,尤其是在更快速、更智能、更安全的应用愿景驱动下。而对于如何通过可编程性实现所需的编排和灵活性,进而在数字经济中取得成功,这是传统 IT 团队面临的一个重大课题。未来将更加自动化,没有谁比知道如何保持互联网经济引擎运转的工程师和架构师更适合部署网络自动化。"
F5 (NASDAQ: FFIV) 助力全球最大企业、服务提供商、政府和消费品牌提升应用的速度、智能性和安全性。F5 提供云和安全解决方案,使企业能够充分利用所选择的应用基础设施,而无需牺牲速度和控制能力。如欲了解更多信息,请访问 f5.com。您还可以在 微博上关注 @F5中国官方微博,以了解更多关于 F5 及其合作伙伴与技术的信息。
F5 是 F5 Networks 公司在美国和其他国家或地区的商标或服务标记。文中提到的所有其他产品和公司名称可能是各自所有者的商标。
本新闻稿可能包含有关未来活动或未来财务业绩、涉及风险和不确定性的前瞻性声明。这些陈述可通过以下词汇辨别:"可能"、"将要"、"应该"、"预计"、"计划"、"预期"、"相信"、"估计"、"预测"、"潜在"或"继续",或这类词汇的反义词或类似词汇。这类陈述基于各类因素(包括公司提交给 SEC 材料中所提到的因素)作出,仅用于预测,实际情况可能大相径庭。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。